今年世界人工智能大会最直观的感受是：竞争风向变了。
不再比谁的模型参数更大，而是比谁能真正把 AI 用起来、用到物理世界里去。
这篇梳理我从公开报道中看到的几个关键变化。
一、算力：从「规模做大」到「效率做强」
竞争维度升级
过去看单卡峰值性能，现在看集群系统工程能力。
评价标准换成了「有效算力利用率」 —— 不是你有多少卡，而是这些卡实际能跑出多少有效算力。
万卡、十万卡集群的系统工程问题（互联、散热、调度、容错）成了新的技术壁垒。
具体进展
首个全国产 10 万卡人工智能超集群已正式投用。 截至 6 月底，全国智能算力规模达到去年同期的 2.8 倍。
产业侧的数据也能印证： 某国产芯片厂商上半年营收 85-93 亿元，同比增长 56%-70%；某 IP 厂商新签订单 146.5 亿元，其中 AI 算力相关超过 90%。
配套产业链受益明显： 连接器、液冷散热、先进封装、半导体设备。
一个值得注意的路线
在算力集散的方向上，有平台方提出「前店后厂一中心」的结构：
- 一中心 —— 算力集散，通过多元异构技术提升全国可用算力规模，已服务 3.7 万 P 算力、覆盖 16 款芯片
- 后厂 —— Token 工厂，日均 Token 调用量较年初增长约 40 倍，过去一年推理成本下降 90%
- 前店 —— 面向医疗、能源、法律、影视、游戏等垂直领域的行业解决方案
这个结构的核心逻辑是：把算力变成可调度的资源，把模型能力变成可计价的 Token，把 Token 变成行业可用的产品。
芯片层面的两条差异化路线
数据流架构 —— 把算力利用率提升到 95% 以上（相比传统架构有明显优势）。
感存算一体架构 —— 把语音芯片功耗降到 150 微安级，这对端侧设备意义很大。
这两条路线的共同点：不去正面比通用算力的绝对峰值，而是在特定场景下做极致优化。
二、具身智能：从「炫技」到「下厂干活」
2026 年被多个来源称为具身智能的「部署元年」。
变化在哪
以前人形机器人的展示是「走两步、翻个跟头」，现在是「在工厂干具体的活」。
具体案例：
- 某车企的新一代人形机器人（82 个关节自由度），2026 年底规模量产，率先进入钢铁企业参与工业巡检，同时开放 SDK
- 某车企的首款交警机器人已在安徽芜湖上岗
- 某科技公司的第三代人形机器人进驻汽车工厂
- 特斯拉在奥斯汀工厂开展 Optimus 的测试与训练
行业竞争焦点已从「技术研发」转向「商业化交付」。
上游零部件的价值凸显
整机竞争的背后是核心零部件的性能与成本之争。
- 伺服驱动系统
- 触觉传感器与灵巧手
- 精密电机
采购方的判断标准很实际：能不能稳定供货、成本能不能降下来。
市场空间的预测
据 IDC 预测，未来五年中国具身智能支出将从 14 亿美元增至 770 亿美元，复合增长率 94%。2030 年人形机器人出货量预计突破 51 万台。
这些数字要谨慎看。 预测的准确性取决于产业落地的实际节奏，尤其是「能否在真实生产环境中稳定运行」这个前提。
三大技术底座
模型 世界模型 + VLA（视觉-语言-动作模型）
数据 仿真优先，虚实融合
算力 推理占 70% 以上
推理占比超过 70% 这个数字值得注意 —— 说明具身智能的算力需求结构与训练侧有明显差异。
三、端侧 AI：从「加分项」变成「必选项」
2026 年被定义为端侧智能规模化落地的元年。
变化
大模型端侧部署已经不再是技术概念，而是产业共识。
标志性事件：
- 多家终端厂商集体推进端侧 AI 部署
- 开源模型系列累计下载量突破 3800 万次，覆盖文本、视觉、语音全模态
- 已落地手机、汽车、具身智能、航天等终端
汽车是最大的 AI 终端。 某车企的智能座舱与智驾系统已覆盖全系车型，累计超 1000 万辆的保有量形成了难以复制的数据飞轮。
车端算力与交互
- 车端算力： 随着 VLA 与世界模型技术规模化应用，2026 年车端算力预计达到 1000 TOPS
- 多模态交互： 部分车型开始支持语音、手势、眼动追踪甚至脑电波的多模态交互，从「执行指令」转向「需求预判」
- 线控技术： 线控转向（SBW）、线控制动（EMB）在 2026 年实现量产突破
存储涨价反而推动了主控升级
这里有个反直觉的现象。
2026 年上半年存储价格大幅上涨，但边缘 AI 芯片的需求反而爆发。
逻辑是什么？
存储成本高企倒逼主控芯片承担更多工作——通过提升算力效率和减少对外部存储的依赖，来消化整个系统的成本压力。
行业从「以存储为核心的性价比竞争」，转向「以主控算力为核心的方案竞争」。
有分析认为这不是阶段性应对，而是长期趋势。理由是 HBM 对通用存储产能的挤出效应在未来两年不会缓解。
如果这个判断成立，高端主控和低端主控之间就不再是「性能高一点、价格贵一点」的线性关系，而是两种完全不同的成本模型。
四、大模型：开源的追赶
国产大模型的全球总下载量突破 100 亿次，多个万亿级参数开源模型陆续发布，与国产算力芯片的适配在加速。
数据集方面： 建成高质量数据集超 12 万个，算力、模型、数据互促的循环在形成。
产业规模： 2025 年中国人工智能相关企业存量超 6000 家，核心产业规模突破 1.2 万亿元，相关行业保持 30% 以上的高增长。
五、三个更深层的竞争要素
有观点认为，竞争重心正在从模型本身向三个更深的层次下移：
底层：能源
「人工智能的尽头是电力。」
谁的发电、电网和储能成本低，谁的算力成本就低。这是硬约束，绕不过去。
中间层：开源生态
谁的模型被全球开发者用得最多，谁就掌握事实标准。
这一层的竞争是生态位的争夺，赢家通吃特征明显。
最上层：应用
具身智能也就是机器人与制造业的融合，将是下一个主战场。
中国是全球唯一拥有联合国产业分类中全部工业门类的国家，41 个工业大类意味着全球最丰富的应用场景。
在电力成本和开源生态两个层次，也已经占据了有利位置。
六、编程领域的变化
Agentic coding 是这次 AI 落地中变化最快的领域之一。
数据
- 全球已提交代码中约 42% 来自 AI（预计 2027 年升至 65%）
- 某编程助手的活跃用户规模已达千万级
- 使用 AI 编程助手的开发者报告效率提升 35%-55%（取决于任务类型）
提升最明显的任务： 样板代码生成、测试编写、代码审查。
能力边界的变化
从「辅助」到「协同」：
- 早期智能体只能处理几分钟的任务
- 2026 年已能连续工作数天甚至数周
- 单智能体正在演化为协同的智能体团队
一个具体案例： 某工程师借助 AI 工具，在 1250 万行代码的开源库中，用 7 小时完成特定激活向量提取任务，数值精度达 99.9%。
但边界仍然清晰
研究数据显示：开发者虽然在工作中有约 60% 会使用 AI，但能够「完全委托」给 AI 的任务占比低于 20%。
这说明什么？ 人类判断在关键决策上仍不可替代，尤其是高风险场景。
实际使用中的问题
从业者的反馈很具体：
- AI 不懂得管理预期。 销量激增时，负责销售的智能体可能没设置库存警报，也没和补货的智能体沟通，任由库存变为负数
- 每个模块是独立会话，没有统一架构约束。 人为插手修改时，要么花大量时间找错误，要么反复提问，「有时 AI 一边道歉一边继续给出错误答案」
- 抽象目标需要人提出。 「做得更快一点」这种目标，AI 不具备足够的大局观来评估实现路径
有个描述很形象：AI 更像职场上一个没有经验又一根筋的「菜鸟同事」。
角色转变
初级开发者的价值被 AI 部分取代。 系统如何架构、目标如何设计，目前还是人类思想的自留地。
行业里对「人类是否还该逐行审查 AI 写的代码」有明显分歧。有观点认为，随着协作方式成熟，人类应该让渡一部分代码控制权，转而聚焦「如何通过交流让 AI 实现目标」。
但在高稳定性要求的系统里，人类审核目前仍是不可省略的一环。
七、治理与基础设施
AI 治理上升为国家战略层面，相关国际合作组织成立。
国资基金体系升级： 16 条新规 + 千亿母基金，撬动 1152 亿元规模。
量子计算进入 IPO 冲刺期，多家企业进程推进。
前沿材料产业化提速： 超导等 15 类材料入选指导目录。
八、我的几点观察
1. 「落地」是今年的关键词
无论算力、具身智能还是端侧 AI，讨论的焦点都从「能力有多强」转向「怎么用起来」。
这对技术从业者的意义： 掌握 AI 能力本身不再是差异化优势，知道怎么把它用在具体业务场景里才是。
2. 系统能力比单点能力更重要
算力竞争从单卡转向集群，具身智能从单机性能转向整机可靠性，端侧 AI 从模型能力转向端到端体验。
共同点是：单点技术突破的价值在下降，系统工程能力的价值在上升。
3. 数据飞轮的效应在显现
某车企累计超千万辆的保有量形成的数据优势，是短期内无法复制的。
这类结构性优势会加速行业分化。
4. 要警惕预测数字
94% 的复合增长率、770 亿美元的支出预测、51 万台的出货量——这些数字有参考价值，但落地节奏取决于工程实现的难度，而不是市场预期。
具身智能最大的挑战不是模型能力，是在真实生产环境中长期稳定运行。
5. 能力与预期的差距仍然很大
80% 以上的任务仍无法完全委托给 AI，这个比例值得所有做 AI 应用的人记住。
做得好的产品，都是清楚知道 AI 能做到什么、不能做到什么，然后把人放在合适的位置上。
本文基于公开报道与行业会议信息整理，数据来自公开发布资料。具体数字请以原始来源为准。